机器学习中，不平衡样本多分类评估指标采用哪些？准确率很高，召回率在少数样本上较低。

最新推荐文章于 2024-05-01 01:09:17 发布

lizz2276

最新推荐文章于 2024-05-01 01:09:17 发布

阅读量2.3k

点赞数 1

本文链接：https://blog.csdn.net/lizz2276/article/details/118862395

版权

Macro F1，这个指标计算每一类的F1 score然后求算术平均，如果模型在小样本上表现不好，小样本的F1会极大程度上拉低Macro F1。除了F1之外还有Macro recall，Macro precision，计算原理是一样的。

另，Micro F1在多样本分类中等价于accuracy，可以认为Micro偏向大样本类别，而Macro偏向小样本类别。

作者：Maple小七
链接：https://www.zhihu.com/question/385535335/answer/1183140869
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

样本不均衡问题通常解决办法有loss function做一些适应性的改变，比如样本少的类别权重加大；还有就是数据增强，对数量少的类别数据上采样，对数据量多的类别下采样。

评估指标和普通的分类问题一样，看项目更侧重于召回率还是精度，抑或是roc、auc、f1

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

lizz2276

关注关注

1
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

F1 Score详解查准率较高 召回率较低怎末处理？

08-29

7584

https://blog.csdn.net/zjn295771349/article/details/84961596

分类模型评估：混淆矩阵、准确率、召回率、ROC

Laurence的技术博客

02-13

3389

在二分类问题中，混淆矩阵被用来度量模型的准确率。因为在二分类问题中单一样本的预测结果只有Yes or No，即：真或者假两种结果，所以全体样本的经二分类模型处理后，处理结果不外乎四种情况，每种情况都有一个专门称谓，如果用一个2行2列表格描述，得到的就是“混淆矩阵”。其中，假阳性（FP）又被称为“Type 1 Error”，假阴性（FN）又被称为“Type 2 Error”。在所有“预测为真”（TP+FP）的数据中，有多少是“真得预测对了”（TP）的? 这个百分比叫“准确率”（Precision）在所有“实际

参与评论您还未登录，请先登录后发表或查看评论

信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC

热门推荐

架构和代码

07-06

5万+

在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。准确率、召回率、F1信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式: 召回率(Recall) = 系统检索到的相关文件 /

精确率越高可能导致召回率越低的原因

weixin_50944399的博客

01-24

3488

在实现过程中可能涉及到 “距离” ，如果句子与文章的距离小于0.1，将其定义为相似（这里假如0.1非常小，表示句子与文章非常相似），那么模型查找出来10篇文章，其中9篇都与这个句子非常相似，那么精确率 =9/（9+1） = 0.9 就非常高，因为设置的距离非常苛刻，可以保证预测出来的大部分文章都与该句子相似,但 召回率=9/100 = 0.09, 这个时候如果设置距离为 0.05，模型查找出来5篇，但这5篇全是与该句子相似的文章，精确率为1,但召回率为5/100 = 0.05更低。

二分类模型精度高而召回率低的原因

weixin_30512785的博客

02-18

1万+

最近在做二分类模型的调优工作。最终发现模型的正例精度在95%，而正例的召回率在83%，这是什么情况呢。我把模型预测的2000条样本结果的错误标签和内容都打印出来，发现，在样本标注的时候，多数的正样本被错误的标注为负样本，这样模型学到正例的能力就变弱了，这样将大多数正样本预测为负样本的同时，负样本的精度也会变小。如果我们想进一步提高召回率，那么需要对错误的标注样本进行修正，再观察结果。看召回...

机器学习之类别不平衡问题 (1) —— 各种评估指标

weixin_33979363的博客

03-12

465

在二分类问题中，通常假设正负类别相对均衡，然而实际应用中类别不平衡的问题，如100, 1000, 10000倍的数据偏斜是非常常见的，比如疾病检测中未患病的人数远超患病的人数，产品质量检测中合格产品数量远超不合格产品等。在检测信用卡欺诈问题中，同样正例的数目稀少，而且正例的数量会随着时间和地点的改变而不断变化，分类器要想在不断变化的正负样本中达到好的检测...

机器学习 之评估指标 召回率，查准率，F1分数(f1值)

01-07

将虾预测为虾 召回率R = TP/(TP+FP) （正确预测鱼的信息条数/原样本中所有鱼的信息条数） 2、查准率：评价模型的正确性查准率：某一类预测样本中的预测正确的信息条数/预测样本中所有的信息条数查准率P = TP/(TP+...

Sklearn机器学习——样本不平衡问题解决、精确率、召回率、ROC曲线

qq_47250064的博客

09-01

6733

介绍样本分类不平衡问题的解决办法，以及SVC的六个模型评价指标，ROC曲线。

模型评估指标：准确率召回率与F1值

最新发布

AI天才研究院

05-01

776

1. 背景介绍在机器学习领域，构建模型只是第一步，评估模型的性能则是至关重要的一环。模型评估指标能够帮助我们量化模型的优劣，并指导模型的改进方向。在众多的评估指标中，准确率、召回率和F1值是最为常见的三个指标，它们分别从不同的角度衡量模型的性能。 1.1 分类问题的评估指标 准确率

机器学习模型三大评估指标：准确率、精度、召回率

ludanwss0716的博客

08-26

3512

1、混淆矩阵二分类任务中用准确率、精度和召回率三大指标评估模型性能，在介绍这些概念之前先介绍混淆矩阵的概念。二分类的混淆矩阵包含四个值：真正例（TP）、假正例（FP）、真反例（TN）、假反例（FN）。如果将一个数据点预测为正例，但它实际是反例，那么它就是一个假正例。混淆矩阵真实值 Positive Neg...

准确率、召回率和F值的关系

拙翔峰的博客

05-22

1万+

在信息检索、统计分类、识别、预测、翻译等领域，两个最基本指标是准确率和召回率，用来评价结果的质量。 准确率（Precision），又称“精度”、“正确率”、“查准率”，表示在检索到的所有文档中，检索到的相关文档所占的比例。 召回率（Recall），又称“查全率”，表示在所有相关文档中，检索到的相关文档所占的比率。两者的公式为： 准确率 = 检索到的相关文档数量 / 检索到的所有文档总数

不平衡样本多分类评估指标采用哪些？准确率很高，召回率在少数样本上较低。

02-22

739

不平衡样本多分类评估指标采用哪些？准确率很高，召回率在少数样本上较低。

模型评估与改进（四）// 样本不均衡

cqx2020的博客

06-19

1360

一、什么是样本不均衡？回答：在有监督分类算法中，标签的类别比重差异大。二、如何从采样角度纠正样本不均衡？回答： 1、上采样（over-sampling）：通过增加分类中少数类样本的数量来实现样本均衡。比较好的方法有SMOTE算法，通过插值的方式加入近邻的数据点。 2、下采样（under-sampling）：通过减少分类中多数类样本的数量来实现样本均衡。这个方法可能导致信息缺失，为克服这一缺点，RandomUnderSampler丢掉更多类别边界部分的数据。 from imblearn.over_sam

机器学习—模型评估

cy925777075的博客

08-02

1097

参考《百面机器学习》 准确率 在机器学习中，准确率（Accuracy）是一个比较常见的模型评估指标，通过准确率，我们可以大致判断模型的性能如何，但是，准确率确有一定的局限性。试想有100个样本，其中有90个都是正样本，只有10个是负样本，然后有一个分类器将所有的结果都预测成了正类，那么，我们得到的准确率便是90%，可是对于负样本来说，预测正确的个数却是0个。那么这个分类器的性能算好吗？当然不算。即便是具有90%的正确率，但是在样本集中数据的分布是严重不均衡的（实际项目中绝大多数情况的数据都是不均衡的），因此

分类的评估指标及不平衡数据的处理

njhniubi的博客

04-19

1600

'''y_true：真实目标值y_pred：估计器预测目标值labels:指定类别对应的数字target_names：目标类别名称return：每个类别精确率与召回率'''

准确率与召回率

weixin_42464525的博客

07-30

2357

1、准确率与召回率（Precision & Recall） 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是...

关于评估标准的理解（样本不平衡，准确率，召回率，ROC曲线等）

正在搬家的莱斯利

12-18

9556

今天在分析数据的时候遇到一个样本数据不平衡的问题，以前在学习机器学习的时候有学到样本数据不平衡的原因和解决方法，不过因为那时候并不在意，觉得数据多得是嘛，不平横就随机训练和丢弃一些就好了，根本没仔细考虑到数据量小的情况。有时候数据量呈现8比2的比例，也就是正样本与负样本的数量比为8:2，这时候在做机器学习就需要考虑如何合理的训练与分配数据了，值得一提的是，样本不平衡的情况十分常见。不过样本不平...

【机器学习的一些问题】模型评估之评估指标

阿里萨的博客

05-27

448

模型评估结果不好，可能有啥原因？评估指标的选择模型过拟合或者欠拟合测试集和训练集划分不合理线下样本比例和线上测试比例不一样 准确率Accuracy指被正确分类的样本个数占总样本个数的比例。它是最简单直观的评价指标，但存在明显缺陷：当不同类别的样本比例非常不均衡时，占比大的类别会成为影响准确率的最大因素。精确率Precision指分类正确的正样本占所有被分类器判定为正...

一文解决样本不均衡（全）

机器学习社区

04-07

1486

通过某种方法使得不同类别的样本对于模型学习中的Loss（或梯度）贡献是比较均衡的。具体可以从数据样本、模型算法、目标函数、评估指标等方面进行优化，其中数据增强、代价敏感学习及采样+集成学习是比较常用的，效果也是比较明显的。其实，不均衡问题解决也是结合实际再做方法选择、组合及调整，在验证中调优的过程。一、样本不均衡的介绍 1.1 样本不均衡现象样本（类别）样本不平衡（class-imbalance）指的是分类任务中不同类别的训练样例数目差别很大的情况，一般地，样本类别比例（Imbalance Ratio）

集成分类器解决链路预测中的不平衡分类问题：提高召回与准确性

实验对象是四个不同规模的时序网络，结果显示，新算法在保持较高召回率的同时，也保证了预测结果的准确性，显著优于现有算法，成功地解决了链路预测中因类别不平衡导致的误分类问题。这篇论文不仅提出了一种新颖的...